Bayesian fusion: scalable unification of distributed statistical analyses
贝叶斯融合：可扩展地统一分布式统计分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用分布式贝叶斯计算，未指定因果、宏观或金融等所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
贝叶斯融合：可扩展地统一分布式统计分析
- 研究问题
- 如何将多份分布式分析合并为一致的推断，并缓解分析数量增多或各分析不一致时近似融合方法的误差问题？
- 方法与思路
- 作者将基于拒绝采样的Monte Carlo融合框架嵌入序贯Monte Carlo算法，提出面向实际计算的贝叶斯融合方法。
- 材料陈述的贡献
- 摘要称，理论分析和经验研究表明所提融合方法比已有方法更稳健；其基础框架采用精确Monte Carlo融合。
- 阅读关注点
- 应核对融合目标分布的定义、精确性与有限计算误差的关系，以及稳健性比较的标准、条件和计算扩展性。
- 阅读边界
- 仅依据所给Crossref摘要；融合所需输入、稳健性的具体定义和计算复杂度未说明，隐私约束背景本身不构成隐私保证。
原文摘要
Abstract There has been considerable interest in addressing the problem of unifying distributed analyses into a single coherent inference, which arises in big-data settings, when working under privacy constraints, and in Bayesian model choice. Most existing approaches relied upon approximations of the distributed analyses, which have significant shortcomings—the quality of the inference can degrade rapidly with the number of analyses being unified, and can be substantially biased when unifying analyses that do not concur. In contrast, recent Monte Carlo fusion approach is exact and based on rejection sampling. In this paper, we introduce a practical Bayesian fusion approach by embedding the Monte Carlo fusion framework within a sequential Monte Carlo algorithm. We demonstrate theoretically and empirically that Bayesian fusion is more robust than existing methods.